Machine Learning Researcher

Über das Unternehmen

Unser Kunde ist ein aufstrebendes KI-Unternehmen, das generative Modelle entwickelt, die die Physik und Geometrie der realen Welt in 3D lernen, anstatt von flachen Bildern auszugehen. Die Arbeit zielt auf Anwendungsfälle in Robotik, AR/VR, Gaming und Film ab. Das Team ist klein, und Forscher sowie Ingenieure arbeiten eng zusammen an sowohl den Modellen als auch den Systemen, die diese in Produkte umsetzen.

Über die Rolle

Diese Rolle verantwortet die Infrastruktur hinter dem Training und der Evaluierung großer, diffusionsbasierter generativer Modelle des Unternehmens. Dazu gehören GPU-Cluster, Speicher, Orchestrierung und der Weg zur Modellbereitstellung. Es handelt sich um eine praktische und systemorientierte Position. Sie werden direkt mit den Forschern zusammenarbeiten, die das, was Sie bauen, nutzen, sodass die Prioritäten aus realen Trainingsproblemen und nicht aus einem vorgegebenen Fahrplan stammen.

Was Sie tun werden

• Die ML- und Cloud-Infrastruktur, die zum Trainieren und Evaluieren großer Modelle verwendet wird, besitzen und weiterentwickeln
• Multi-Node-, Multi-GPU-Umgebungen in der Cloud und/oder vor Ort bereitstellen, skalieren und warten, einschließlich Planung, Quoten und Kapazitätsmanagement
• Verteiltes Training (PyTorch DDP/FSDP, NCCL) unterstützen und große Durchläufe stabil, leistungsfähig und reproduzierbar halten
• Speicher und Netzwerk für Petabyte-große Datensätze aufbauen und optimieren
• Arbeitslasten mit Docker und Kubernetes bereitstellen und Infrastruktur-as-Code mit Terraform verwalten
• Überwachung, Protokollierung und Alarmierung für Cluster-Gesundheit, Job-Leistung und Kosten einrichten sowie SLOs und Vorfallreaktionspraktiken definieren
• Geheimnisse, IAM und Netzwerksicherheit über Forschung und Produktion verwalten
• Mit Forschern zusammenarbeiten, um das Training zu entblocken und den Übergang von Forschungs- zu bereitgestellten Modellen zu unterstützen

Was wir suchen

• 3+ Jahre Erfahrung in Infrastruktur-, Plattform- oder Cloud-Engineering
• Starke Erfahrung mit AWS, GCP oder Azure, einschließlich Netzwerk, IAM und Kostenmanagement
• Kenntnisse in Docker, Kubernetes und Terraform
• Starke Skript- und Automatisierungsfähigkeiten in Python sowie Bash oder PowerShell
• Vertrautheit mit verteiltem Training in PyTorch (DDP/FSDP oder ähnlich)
• Erfahrung mit Observabilitätswerkzeugen wie Prometheus/Grafana, OpenTelemetry oder ELK
• Erfahrung im Aufbau von CI/CD für Infrastruktur und ML-Workflows

Schön zu haben

• Erfahrung mit der Ausführung von On-Premise-GPU-Clustern neben Cloud-Kapazitäten
• Erfahrung mit Modellbewertung und Bereitstellungsinfrastruktur
• Erfahrung mit Bereitschaftsdiensten und Vorfallreaktion

Warum beitreten

• Eigenverantwortung. Sie sind verantwortlich für die Infrastruktur eines Forschungsprogramms, nicht nur für einen Teil einer größeren Plattform.
• Skalierung. Multi-Node-GPU-Training und petabyte-große Datensätze sind Teil der täglichen Arbeit.
• Nähe zur Forschung. Sie arbeiten eng mit den Personen zusammen, die von Ihren Systemen abhängen.
• Einfluss. In einem kleinen Team haben Ihre Ansichten zu Werkzeugen und Architektur Gewicht.

Was Sie erwarten können

Dies ist eine Vor-Ort-Rolle in München. Erwarten Sie, über den gesamten Stack hinweg zu arbeiten, von Cluster-Operationen bis hin zu Entwicklerwerkzeugen, und Verantwortung für die Zuverlässigkeit zu teilen.